Detailed Information on Publication Record
2008
Automatic Web Page Classification
MATERNA, JiříBasic information
Original name
Automatic Web Page Classification
Name in Czech
Automatické určení domény a klíčových slov stránky
Authors
MATERNA, Jiří (203 Czech Republic, guarantor, belonging to the institution)
Edition
Brno, Recent Advances in Slavonic Natural Language Processing, 10 pp. 2008
Publisher
Faculty of Informatics, Masaryk University
Other information
Language
English
Type of outcome
Stať ve sborníku
Field of Study
10201 Computer sciences, information science, bioinformatics
Country of publisher
Czech Republic
Confidentiality degree
není předmětem státního či obchodního tajemství
Publication form
electronic version available online
References:
RIV identification code
RIV/00216224:14330/08:00042213
Organization unit
Faculty of Informatics
ISBN
978-80-210-4741-9
UT WoS
000302212600014
Keywords (in Czech)
automatická klasifikace dokumentů; strojové učení; thesaurus
Keywords in English
automatic classification; machine learning; thesaurus
Změněno: 28/5/2021 12:00, RNDr. Jiří Materna, Ph.D.
V originále
Aim of this paper is to describe a method of automatic web page classification to semantic domains and its evaluation. The classification method exploits machine learning algorithms and several morphological as well as semantical text processing tools. In contrast to general text document classification, in the web document classification, there are often problems with short web pages. In this paper we proposed two approaches to eliminate the lack of information. In the first one we consider a wider context of a web page. That means we analyze web pages referenced from the investigated page. The second approach is based on sophisticated term clustering by their similar grammatical context. This is done using statistic corpora tool the Sketch Engine.
In Czech
Cílem této práce je navrhnout a otestovat přístup, který umožní automatickou klasifikaci webových stránek do domén a určení klíčových slov stránky. Klasifikace stránek je založena na použití strojového učení. Hlavním problémem je však malý rozsah webových stránek, který užití metod strojového učení znesnadňuje. V práci jsou navrženy dva přístupy, které se snaží tento nedostatek minimalizovat. Prvním z nich je zohledňování širšího kontextu webové stránky, to znamená, že se analyzují i stránky, umístěné ve stejné internetové doméně, které jsou ze zkoumané stránky odkazovány. Druhou metodou je shlukování termů dokumentu na základě jejich podobného gramatického kontextu. Pro tyto účely je vytvořen poměrně rozsáhlý thesaurus a z něho shlukový slovník.
Links
| LC536, research and development project |
|